徐利锋, 黄祖胜, 杨中柱, 丁维龙

(浙江工业大学 计算机科学与技术学院,浙江 杭州 310023)

粒子群优化算法(particle swarm optimization,简称PSO)是由Kennedy和Eberhart于1995年提出的一种模拟鸟群觅食特性的进化算法[1].在算法中,粒子代表着觅食中的鸟个体.在每个粒子移动时,同时考虑整个群体的最优位置和当前粒子曾经经历过的最优位置,类似于鸟群觅食时鸟之间的信息交流.当群体中所有粒子都移动之后,记为一轮优化迭代完成,接着进行下一轮优化迭代,直到满足预设的迭代深度或者其他条件为止.整个群体就像鸟群觅食一样,总是向着最优位置移动.

PSO算法具有易操作和收敛快等优点,但也存在着一些问题,比如因其收敛快而导致的易陷入局部最优值,以及算法在多局部峰值场景中的精确性不高等问题.研究者们一直在针对 PSO的这些问题进行针对性的研究和改进,并提出一些解决方法,形成了若干PSO的改进算法.其中,Shi和Eberhart于1998年提出的带有惯性权重的粒子群优化算法[2],便是针对最初的PSO算法易陷入局部最优值的改进.Clerc于1999年提出了带压缩因子的粒子群优化算法[3],意在摆脱局部最优值的同时提高收敛速度.这是两种最经典的改进PSO算法,其他的改进算法一般都是在此基础之上通过与其他方法结合或是针对参数进行修改来获得新的改进算法.例如,刘丽珏等人提出了基于克隆选择的粒子群优化算法[4],主要利用了克隆和变异操作来提高算法的收敛速度,并保持种……